Este notebook de estudos realiza uma análise detalhada de propriedades na cidade de São Paulo utilizando dados de abril de 2019. A análise inclui desde a limpeza dos dados até a otimização de modelos preditivos para estimativa de preços de imóveis.

• Importação das bibliotecas necessárias.
• Carregamento do dataset de propriedades.

• Separação dos dados de propriedades para aluguel e venda.

• Criação de mapas de dispersão para propriedades de aluguel baseados em preço e tamanho.

• Exibição de estatísticas descritivas e histogramas das variáveis principais.

• Contagem da frequência de tipos de propriedades e análise de correlação entre variáveis.

• Remoção de colunas desnecessárias e exibição do dataframe limpo.

• Codificação da coluna de distritos utilizando OrdinalEncoder e OneHotEncoder.

• Separação dos dados em variáveis dependentes e independentes e divisão em conjuntos de treinamento e teste.

• Treinamento e avaliação do modelo de regressão linear.

• Treinamento e avaliação do modelo de árvore de decisão.

• Realização de validação cruzada no modelo de árvore de decisão.

• Realização de validação cruzada no modelo de regressão linear.

• Treinamento do modelo de regressão de floresta aleatória.

• Avaliação do modelo de floresta aleatória utilizando validação cruzada.

• Otimização dos hiperparâmetros do modelo de floresta aleatória utilizando GridSearchCV.

• Exibição dos melhores parâmetros e estimador encontrados pelo GridSearchCV.

• Avaliação final do modelo otimizado utilizando o conjunto de teste.